Desarrollo de una Metodología de V2G para Redes Inteligentes

Usando Optimización Convexa

Alejandro Garcés Ruiz
Informe Final

Resumen
En este resumen ejecutivo se muestran los principales resultados del proyecto de investigación Desa-
rrollo de una metología V2G para redes intelgentes usando optimización convexa el cual fue nanciado
por la Vicerrectoria de investigaciones de la Universidad Tecnológica de Pereira bajo convocatoria interna
número 6-17-3. Este proyecto integró investigaciones previas del grupo SIRIUS en sistemas de transporte
inteligente ITS (intelligent system transportation ) y en redes eléctricas inteligentes o Smart Grids. Para
ello se usó información disponible en estudios previos del sistema de transporte de Pereira aunque los
sistemas de prueba fueron IEEE.
La prinicipal contribución del estudio se encuentra sin embargo, en las relajaciones convexas a los
diferentes modelos las cuales incluyen linealizaciones, aproximaciones semidenidas y conos de segundo
orden. El uso de un modelamiento convexo garantiza escalabilidad y permite, en algunos casos, generar
algoritmos que puedan funcionar en tiempo real,características clave en el desarrollo de los sistemas
inteligentes.
De otro lado, se estudiaron redes de distibución en DC con sus respectivas relajaciones convexas.
Aunque este tipo de redes no se encontraban en el alcance inicial del proyecto, su implementación podria
ser potencialmente aplicable a redes electricas a mediano plazo. Este aspecto del estudio constituye un
aporte adicional y una ventana hacia futuras investigaciones.

Índice

1. Generalidades del proyecto 2

1.1. Motivación y objetivos del estudio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.1.1. Objetivo general . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.1.2. Objetivos especícos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2. Desarrollo del proyecto y principales resultados . . . . . . . . . . . . . . . . . . . . . . . . . . 3

2. Estado del arte 5

2.1. Arquitectura V2G . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.2. Sistemas de transporte inteligente y las redes inteligentes . . . . . . . . . . . . . . . . . . . . 6
2.3. Optimización convexa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6

3. Modelo propuesto 8
3.1. Supuestos del modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
3.2. Información del sistema ITS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
3.3. La matriz origen destino . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
3.4. Modelo dinámico del vehiculo eléctrico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
3.5. Uso de los conceptos de ITS en la estrategia V2G . . . . . . . . . . . . . . . . . . . . . . . . . 11

4. Estrategia V2G usando optimización convexa 12

4.1. Modelo en cada agragador . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
4.2. Modelamiento de la red de distribución . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
4.3. Aproximación semidenida . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14

1
 4.4. Modelo de optimización cónica de segundo orden . . . . . . . . . . . . . . . . . . . . . . . . . 15

5. Etapa adicional sobre micro-redes en DC y vehiculos eléctricos 15

6. Conclusiones 16
6.1. Futuros trabajos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16

Acrónimos

En este informe se utilizaran los siguientes acrónimos

V2G: vehicle-to-grid (estrategia de vehículo a la red)

SoC: state-of -charge (estado de carga de cada bateria)

VE: vehículo eléctrico

ITS: intelligent-transportation-system (sistema de transporte inteligente)

V2H: vehicle-to-home (estrategia de control de vehículo a la casa)

V2V: vehicle-to-vehicle (esquema de comunicación vehículo a vehículo)

1. Generalidades del proyecto

1.1. Motivación y objetivos del estudio

Los vehículos eléctricos (VE) son una tecnología clave para reducir las emisiones de gases de efecto
invernadero así como la dependencia de combustibles fósiles. La aplicación masiva de esta tecnología puede
mejorar la conabilidad y eciencia del sistema eléctrico mediante el uso combinado de las baterías para
abastecer parte de la demanda en caso de fallo y aplanar la curva de carga en operación normal. Sin embargo,
los VEs pueden traer consecuencias negativas asociadas a la calidad de la energía y la cargabilidad de los
alimentadores primarios. Por ello, su integración a la red debe ser entendida bajo el paradigma de las redes
inteligentes y en particular bajo las estrategias V2G (vehicle-to-grid ), las cuales permiten establecer una
comunicación entre los VEs y la red eléctrica contribuyendo a la gestión de la demanda e inyectando potencia
a la red en caso de ser necesario.
En este contexto, es necesario desarrollar una metodología que permita optimizar la operación del sistema
teniendo en cuenta restricciones de cargabilidad, conabilidad, eciencia y deterioro de las baterías entre
otras. Esta metodología supone dos retos fundamentales: por un lado, se requiere una operación en tiempo
real con ventanas de tiempo del orden de 1 a 5 minutos; de otro lado, se debe considerar una gran cantidad
de restricciones físicas debidas al elevado número de VEs que pueden aparecer en una ciudad, así como a la
complejidad propia del sistema eléctrico. Antes de atacar el problema de forma computacional, usando por
ejemplo computación de alto desempeño, es necesario analizar las características del modelo matemático de
forma que se puedan encontrar simetrías, linealidades y posibilidades de paralelización. Un modelo convexo es
deseable ya que éstos garantizan unicidad de las soluciones y convergencia polinomial. Esto se debe a aspectos
intrínsecos del modelo y no a la forma en que son solucionados computacionalmente. Desde luego no todos los
problemas reales son convexos, pero es posible reformular los modelos mediante técnicas de relajación o bien
mediante el cambio a un espacio diferente (por ejemplo a un cono semidenido). Este tipo de modelamiento
tiene consecuencias teóricas pero también prácticas en la implementación nal de los algoritmos de solución.
Surge entonces la siguiente pregunta de investigación: ¾Cómo formular un modelo convexo que gestione
de forma óptima la carga y descarga de las baterías en una potencial masicación de los VEs en Colombia?.
Desde el punto de vista del sistema de eléctrico, los VEs son un conjunto de almacenadores de energía
(baterías) distribuidos a lo largo del sistema; pero a diferencia de los almacenadores convencionales, éstos
aparecen en puntos diferentes y con estados de carga variables; así que para dar una respuesta satisfactoria
a esta pregunta de investigación, se requiere integrar información proveniente de los sistemas de simulación

2
de tráco con metodologías de análisis y simulación de sistemas de distribución de energía. Esto supone un
reto metodológico y computacional, debido al elevado número de variables, la naturaleza estocástica de los
datos y la diversidad de las fuentes de información. Para dar respuesta a esta pregunta de investigación se
propusieron los siguientes objetivos:

1.1.1. Objetivo general

Desarrollar un modelo de optimización convexa para estrategias V2G unidireccionales y bidireccionales
que se gestione de manera eciente la carga y descarga de las baterías en VE bajo una eventual masicación
de la tecnología. Este modelo utilizará información disponible del sistema de transporte y modelos convexos
para el sistema de distribución eléctrica. Así mismo el modelo debe estar contextualizado a las características,
necesidades y disponibilidad de información de la ciudad de Pereira.

1.1.2. Objetivos especícos

Establecer el estado del arte para estrategias V2G-unidireccionales y V2G-bidireccionales en el contexto
de las redes inteligentes.

Adecuar la información disponible para el levantamiento de la red eléctrica y el sistema de transporte

de Pereira.

Construir un modelo matemático convexo tanto para V2G-unidireccional como para V2G-bidireccional

Implementar computacionalmente el modelo matemático obtenido

Visualizar resultados obtenidos de la implementación con el objetivo de facilitar el análisis de los

resultados.

Analizar resultados obtenidos con los datos disponibles del sistema de Pereira.

1.2. Desarrollo del proyecto y principales resultados

El proyecto se desarrolló en tres frentes principales, a saber: uso del paradigma de la optimización convexa,
aplicación sobre un modelo realista de la ciudad de Pereira y desarrollo de sistemas de distribución en DC.
Cabe anotar que el último aspecto no hacía parte de los objetivos iniciales del proyecto pero fué clara su
necesidad durante el desarrollo del mismo.
En cuando al uso de optimización convexa, se analizó una relajación semidenida que mostró buenos
resultados numericos en los sistemas de prueba analizados. El único inconveniente está relacionado con
el tiempo de cálculo el cual aumenta signicativamente en problemas de gran tamaño. La aproximación
fué utilizada para el modelo V2G que se presentó en [Quinatoa, 2018] y que será brevemente explicado
en las secciones subsiguientes. Otras aproximaciones convexas fueron estudiadas en [Valencia, 2018] y en
[Garces, 2016]para el problema general de ujo de carga (no necesariamente considerando V2G). Este trabajo
culminó en dos tesis a nivel de maestría y una publicación en conferencia internacional.
En cuanto a la aplicacion práctica sobre la ciudad de Pereira, se encontraron algunas dicultades rela-
cionadas con la información disponible. Se encontraron datos de la matriz origen destino de 2012 la cual se
aceptó como insumo base al no contar con información más actualizada. El modelo dinámico del vehiculo
eléctrico sin frenado regenerativo fue análizado y se realizó una prueba con un vehículo real en la ruta UTP-
Santa Rosa. Desafortunadamente, no se contaba con información detallada del vehículo utilizado y por tanto
no se pudo validar completamente el modelo. Como resultado de esta fase se presentaron cuatro trabajos de
investigación formativa en los programas de ingeniería eléctrica e ingeniería de sistemas. En estos trabajos se
estudió en detalle el modelo del vehículo eléctrico y se análizó su impacto sobre las principales subestaciones
de la ciudad.
Una tercera parte del proyecto el cual se desarrolló de forma paralela, fue el estudio de sistemas de
distribución en dc. En la revisión de la literatura internacional se observó un creciente interés en el uso de
sistemas dc para la carga de vehículos eléctricos. Este tipo de enfoque reduce el tamaño del vehículo al no
requerir de etapa de conversión AC/DC. Desde el punto de vista de la red, se reducen las perdidas y se mejora

3
la controlabilidad del sistema. Producto de esta fáse se presentaron dos articulos en revistas internacionales
Q1 y uno mas en una revista nacional tipo A.
A continuación se enumeran los principales resultados del proyecto y su relación con cada uno de los
objetivos

Trabajos de grado concluidos

• [Quinatoa, 2018] Desarrollo de una metodologia V2G bidirecional en redes inteligentes usando op-
timización convexa. Tesis de maestría presentada por el estudiante Carlos I. Quinatoa C. Maestría
en Ingeniería Eléctrica.
• [Valencia, 2018] Optimal Operation of Multiple Microgrids and Distributed Resources Under the
Concept Of Virtual Power Plant Using Convex Optimization. Tesis de maestría presentada por el
estudiante Ivan Valencia. Maestría en Ingeniería Eléctrica.
• [Londono, 2018] Caracterizacón de vehículos eléctricos en el contexto de la ciudad de Pereira. Tra-
bajo de investigación formativa presentada por la estudiante Vanesa Londoño Marin. Programa
de Ingeniería Eléctrica.
• [Penagos and Zuluaga, 2018] Implementación de un sistema de simulación para la estimación del
impacto de los vehículos eléctricos sobre el sistema eléctrico de la ciudad de Pereira. Trabajo de
investigación formativa presentada por las estudiantes Angie Vanesa Penagos y Daniela Zuluaga.
Programa de Ingeniería de Sistemas.
• [Florez and Ramirez, 2018] Control no lineal de velocidad en un vehículo eléctrico autónomo. Tra-
bajo de investigación formativa presentado por los estudiantes Juan Manuel Flórez Betancourt y
Diego Alejandro Ramirez Loaiza. Programa de Ingeniería Eléctrica.
• [Bolanos, 2018] Control no lineal de un supercapacitor para el control de potencia activa y reactiva
en micro-redes. Trabajo de investigación formativa presentado por el estudiante Bryan Aldair
Bola nos Bastidas. Programa de Ingeniería Eléctrica.

Artículos presentados en conferencias internacionales

• [Quinatoa et al., 2018] Carlos Quinatoa, Ivan Valencia, Alexander Casilimas, Alejandro Garces. A
Convex Optimization Model for Bidirectional Vehicle-to-Grid Operation. Artículo presentado en
IEEE-Andescom 2018. Cali (Colombia).
• [Garces et al., 2018] Alejandro Garcés, Oscar Danilo Montoya, Walter Julian Gil. Wirtinger's Cal-
culus for the Load Flow in Power Distribution Grids. Artículo presentado en IEEE-Andescom
2018. Cali (Colombia).
• [Garces and Gutierrez, 2018] Alejandro Garcés, Alexander Gutierrez. On the Stability of DC Mi-
crogrids with Two Constant Power Devices. Artículo presentado en 2018 IEEE Green Techno-
logies Conference. Austin-Texas (USA).
Articulos en revistas cientícas

• [Garces, 2018a] Alejandro Garcés, On the Convergence of Newton's Method in Power Flow Studies
for DC Microgrids, in IEEE Transactions on Power Systems, vol. PP, no. 99, pp. 1-1.doi:
10.1109/TPWRS.2018.2820430. Revista tipo Q1
• [Garces, 2017] Alejandro Garcés, Uniqueness of the power ow solutions in low voltage direct
current grids, Electric Power Systems Research, Volume 151, October 2017, Pages 149-153,
ISSN 0378-7796. Revista tipo Q1

Como resultado adicional, se ofertó un curso de optimización convexa para la maestría en ingeniería
eléctrica y el doctorado en ingenierías. En este curso se pudieron presentar algunos aspectos asociados a los
resultados de este proyecto con lo cual la investigación impacta a la academia.

4
2. Estado del arte

2.1. Arquitectura V2G

Una red eléctrica convencional cuenta con elementos de control, optimización y automatización que pueden
ser considerados inteligentes. Sin embargo, gran parte de la operación de estos sistemas sigue siendo realizada
de forma manual, conando en la experiencia y experticia del operador. Una red inteligente utiliza tecnologías
de control y comunicación que permiten una operación más segura, conable y eciente con un aumento en el
grado de automatización [UPME-BID, 2016]. En este sentido, los VEs pueden constituir un elemento activo
en las redes eléctricas inteligentes [Tuballa and Abundo, 2016].
Existen tres conceptos fundamentales asociados a la operación de vehículos eléctricos en redes inteligentes
[Liu et al., 2013]: V2V (vehicle-to-vehicle ), V2H (vehicle-to-home ) y V2G (vehicle-to-grid ). El V2V es un
concepto general, que incluye no solo la carga y descarga de la batería sino la comunicación entre vehículos
durante la conducción; V2H en cambio, se reere a la gestión de la batería del VE en la red eléctrica a nivel
residencial para alimentar un circuito interno de un usuario residencial durante un fallo en el suministro de
la red. Así pues, el vehículo eléctrico prestaría un servicio local al usuario sin una interacción activa con la
red de distribución. Finalmente, V2G se reere a la interacción del VE con la red eléctrica de forma que
pueda prestar servicios auxiliares e incluso vender energía en caso de ser necesario. Nuestra investigación
está enfocada en la arquitectura V2G presentada en la gura 1 en donde el operador de red se comunica con
una serie de agregadores ubicados a lo largo del alimentador primario. Éste a su vez, se comunica localmente
con los VEs y gestiona su carga y descarga mediante dos posibles estrategias: V2G unidireccional y V2G
bidireccional [Tan et al., 2016].

Subestación Comunicaciones

Agregador Agregador Agregador

Cargas convencionales

Figura 1: Arquitectura V2G propuesta, basada en agregadores a lo largo del sistema de distribución

En la estrategia V2G unidirección el vehículo eléctrico es considerado como una carga gestionable, en
donde el ujo de potencia va siempre de la red hacia el vehículo, pero que puede ser modicada en magni-
tud, mediante un ajuste en el convertidor asociado a cada cargador, y en el tiempo de carga mediante un
desplazamiento el la hora de inicio de carga [Bessa and Matos, 2013]. En operación real, el agregador evalúa
tanto el estado de carga de la batería como las necesidades de la red y decide iniciar o no la carga de la
batería de acuerdo a una función objetivo. De esta forma se puede desplazar la demanda de las horas pico
a las horas valle o bien de las horas de mayor precio de la energía a las horas de menor precio, generando
benecios económicos para el usuario, en mercados con precio diferenciado, y para la red al reducir el pico de
la demanda [Yilmaz and Krein, 2013]. En la estrategia V2G bidireccional, el vehículo eléctrico es un elemento
activo que puede incluso vender energía a la red y prestar servicios auxiliares. Esto puede traer benecios
para la operación de la red en términos de conabilidad y cargabilidad de los alimentadores. También puede
beneciar económicamente al usuario debido a la venta de energía en periodos de alta demanda y a otro tipo
de compensaciones otorgadas por el mercado [Lin et al., 2014]. El agregador requiere de una estrategia de
optimización y control local así como una adecuada coordinación con el centro de control. Esto constituye
un control jerárquico que puede ser integrado con otras tecnologías como las micro-redes [Lopes et al., 2013]
y las plantas de potencia virtuales [Etherden et al., 2016].

5
2.2. Sistemas de transporte inteligente y las redes inteligentes
La calidad de vida en las sociedades modernas depende en gran medida de la facilidad que tienen sus
habitantes para movilizarse hacia sus lugares de interés. Por esta razón, los problemas de transporte reciben
un renovado interés [Paul et al., 2017]. En la gran mayoría de los casos, no es viable ampliar las infraestruc-
turas actuales debido a los costos, la falta de espacio disponible, y limitaciones ambientales, por lo tanto,
los departamentos de tráco alrededor del mundo están interesados en la optimización de su infraestructura
existente. Para lograr esto se ha iniciado un proceso de incorporación de tecnologías para mejorar el transpor-
te, llamadas Intelligent transportation system o simplemente ITS. Éstas agrupan diversas soluciones, aunque
todas tienen en común el aprovechamiento de los avances en las tecnologías de la información y las comuni-
caciones. Por ejemplo, la inclusión de sensores en las vías y el uso de controladores de tráco conectados a las
centrales semafóricas, son considerados ITS. Una de las líneas que presenta mayor investigación es el uso de
los datos capturados en campo para desarrollar modelos matemáticos o de simulación que permitan analizar
el comportamiento del sistema [Wu et al., 2012]. Con estos modelos se buscan soluciones a los problemas de
transporte, comprendiendo sus causas y probando nuevos escenarios de solución.
Uno de estos modelos es la simulación de tráco, herramienta que permite analizar y medir el desempeño
del sistema a través de la construcción de modelos que emulan el comportamiento vehicular en un periodo de
tiempo dado teniendo en cuenta el origen y destino de un conjunto de vehículos dentro de una infraestructura
vial, con el n de estimar las condiciones del tráco o medir el impacto de nuevas estrategias de administración
de transporte. En esta investigación se usó un modelo de distribución de viajes basado en la matriz origen-
destino. Éste es probablemente el modelo más simple en los estudios de tráco pero fue suciente para
alcanzar los objetivos del proyecto.

2.3. Optimización convexa

En nuestro caso estamos interesados en los problemas no lineales y continuos que pueden ser representados
de la siguiente forma
Minf (x) (1)
x∈Ω

en donde f : Ω → R es una función continua y diferenciable, llamada función objetivo y Ω es un conjunto

no vacio denominado espacio de soluciones. En particular, estamos interesados en problemas con una carac-
teristica geométrica adicional denominada convexidad: decimos que un conjunto Ω de Rn es convexo si para
cualquier x, y ∈ Ω existe un z dado por
z = (1 − λ)x + λy (2)

tal que z ∈ Ω con λ ∈ R, 0 ≤ λ ≤ 1. La caracteristica de convexidad es básicamente geometrica y se puede

entender fácilmente mediante un graco en el plano. Primero debemos notar que los puntos x, y dados en la
denicion son arbitrarios y que los puntos z corresponden al segmento de recta que une dichos puntos como
se muestra en la gura 2. Un conjunto es convexo cuando todos los puntos del segmento de recta pertencen
al conjunto. En el caso de ΩA vemos que esta condicion se cumple para cualquier par de puntos arbitrarios,
mientras que en ΩB existen puntos que pertencen al segmento de recta pero que se salen del espacio; por
tanto ΩA es convexo mientras que ΩB es no convexo.

x1
x2

ΩA ΩB
x1
x2

Figura 2: Ejemplo de un espacio convexo ΩA y un contrajemplo de un espacio no convexo ΩB

6
 Debido a que la intersección de conjuntos convexos genera un conjunto convexo, podemos identicar
fácilmente un espacio de soluciones convexo, pues solo se require analizar la convexidad de cada una de las
restricciones. Es decir, si cada restricción genera un espacio convexo entonces el espacio de soluciones es
convexo.
De otro lado, decimos que una función f : Rn → R es convexa si para cualquier par de puntos x, y ∈ Rn
se cumple que
f (λx + (1 − λ)y) ≤ λf (x) + (1 − λ)f (y) (3)
para cualquier λ ∈ R tal que 0 ≤ λ ≤ 1. Las funciones convexas estan estrechamente relacionadas con los
espacios convexos. De hecho un espacio de la forma

Ω = {x ∈ Rn : f (x) ≤ t} (4)

es convexo si y solo si f es una función convexa. Este espacio es denominado epigraph y desempeña un papel
importante en diferentes problemas de optimización.
Un caso particular de función convexa son las funciones anes, descritas como:

g(x1 , x2 , . . . , xn ) = a1 x1 + a2 x2 + . . . an xn + bn (5)

Es evidente que el espacio generado por una función an es un espacio convexo. Con estos conceptos
geometricos, podemos denir rigurosamente los problemas de optimización convexa.
Un problema de optimización matemática como el de la expresión (1) es un problema de optimización
convexa si la función objetivo f es una función convexa y el espacio de soluciones Ω es un conjunto convexo.
En terminos prácticos, un problema de optimización de la forma

Minf (x) (6)

x
sujeto a
gi (x) = 0 (7)
hj (x) ≤ 0 (8)

es convexo, si tanto f como hj son funciones convexas y gi son funciones anes. Los problemas de optimización
convexa tienen caracteristicas teoricas interesantes y pueden ser solucionados ecientemente en la práctica.
De hecho, podemos asegurar que la complejidad computacional de un problema está mucho mas relacionado
con la convexidad que con la linealialidad. Por ejemplo, un problema convexo cuadratico suele ser computacio-
nalmente menos demandante que un problema de programación lineal entera [Boyd and Vanderghe, 2004].
Por ello, es importante establecer condiciones de convexidad así como formas de aproximaciones convexas.

a) H2 b)

H1

Figura 3: Ejemplo de optimos locales y globales: a) óptimos locales y sus respectivos vecindarios de optimalidad H, b)
óptimo global

Un punto x̃ es un optimo local asociado a un problema de optimización como el de la expresión (1) si

existe un conjunto abierto H que contiene a x̃ tal que f (x) ≥ f (x̃), ∀x ∈ H. Si Ω ⊇ H entonces el óptimo es
global. La gura 3 muestra el concepto de optimo local y global para dos funciónes en R. En el primer caso

7
se tiene una función con dos óptimos (un mínimo y un máximo) mientras que en el segundo caso se tiene
un solo óptimo global (i.e un mínimo). En un problema de optimización convexa, todo óptimo local es un
óptimo global. Este es probablemente el resultado más importante asociado a los problemas convexos y la
principal razón por la cual se eligió este tipo de modelos de optimización para el problema V2G.

3. Modelo propuesto

3.1. Supuestos del modelo

El esquema propuesto para solucionar la pregunta de investigación presentada en la sección 1.1 consiste
en la implementación de varias etapas de optimización convexa. Por un lado, el agregador recibe información
de los vehiculos eléctricos en cuanto al estado de carga o SoC (state-of-charge ) y en cuanto a los contratos
de prestación de servicios V2G. Para ello se consideran las siguientes suposiciones:

S1: Los precios horarios son diferenciados. Esto signica que el usuario (VE) puede obtener el precio de la
energía en tiempo real.

S2: Cada vehiculo eléctrico puede suscribir contratos V2G con el operador de red. Estos contratos pueden
ser de V2G unidireccional o bidireccional.

S3: El operador de red cuenta con un sistema de comunicaciones bidireccional que le permite obtener infor-
macion en tiempo real de cada uno de los agregadores.

S4: Cada agregador puede conocer en tiempo real el estado de carga de cada vehículo (SoC) y puede controlar
su carga o descarga.

S5: Es posible obtener un estimado del estado de carga del vehículo eléctrico usando información en tiempo
real del sistema de transporte.

Es importante destacar que las suposiciones S1 y S2 son regulatorias mientras que S3 y S4 son tecnológicas.
Los precios diferenciales son una condición sine-qua-non para la implementación tanto de estrategias V2G
como de gestión de la demanda y por tanto, la regulación colombiana debe avanzar en esta dirección si
se desea implementar estas tecnologias. De otro lado, las supociones S3 y S4 no son una limitación con el
estado actual de la tecnología. La suposición S5 require una discusión mas detallada que será presentada mas
adelante.
Cuando un vehículo eléctrico se conecta a la red, éste le informa al agregador, su estado de carga y su
número de identicación. El agregador consulta (o informa segun el caso) al centro de control sobrel el tipo de
contrato que ha suscrito con la red. Esta operación es automatizada y puede realizarse en cualquier parte de
la red. Es decir, el agregador puede estar ubicado en el transformador de un alimentador secundario asociado
a usuarios residenciales o bien en un centro comercial en donde se tengan instaladas electrolineras. Con esta
información, el agregador ejecuta una etapa de optimización local para determinar la carga o descarga del
vehiculo. A su vez, el centro de control realiza una etapa de optimización entre los agregadores del sistema
con el n de minimizar congestiones en la red eléctrica. Finalmente, la información del sistema ITS será
enviada a cada uno de los agregadores con el n de complementar el modelo y hacerlo mas inteligente. Esta
información tambien puede ser usada por el operador de red a nivel de subtramisión para optimizar posibles
almacenadores de energía. Cada uno de los modelos de optimización serán presentados bajo el paradigma de
optimización convexa con el n de asegurar convergencia en tiempo real y unicidad de las soluciones.

3.2. Información del sistema ITS

Existen múltiples tipos de modelos de transporte que pueden ser utilizados en el contexto de un esquema
V2G. En [Trans Res Board, 2000] se agruparon tres tipos de modelos: macroscopicos, microscopicos y me-
soscopicos. Los modelos macroscópicos están encaminados a la planeación del sistema de tráco analizando
tanto la capacidad de la red como las políticas que se deben utilizar para mejorar su funcionamiento. Esto se
hace a través de la caracterización de las variables generales de tráco, con lo cual se muestra la relación entre

8
capacidad y ujo. Los modelos microscópicos son aquellos que llegan al máximo grado de detalle, hasta el
punto de simular el comportamiento de cada uno de los vehículos dentro de la red, asignándole un comporta-
miento homólogo al que describen en la realidad los conductores. Los modelos mesoscópicos se encuentran en
un punto intermedio entre los dos modelos anteriormente expuestos y por lo tanto presentan características
semejantes; este tipo de modelo agrupa los vehículos en lotes, y los utiliza para interpretar las interacciones
que se pueden generar con los diferentes componentes del sistema1 . En este proyecto se planteó el uso de la
matriz origen destino por ser un modelo simple y escalable.
Es importante destacar que no pretende hacer un análisis exhaustivo sobre los sistemas ITS pues este tipo
de estudio va mas allá del alcance de la investigación. En cambio, se presentan elementos básicos asociados a
los sistemas ITS los cuales pueden enriquecer la información asociada a los modelos eléctricos. Inicialmente
se presenta el concepto de matriz de origen destino y cómo ésta puede ser usada para hacer una predicción
de la demanda eléctrica (esto de acuerdo a la supoción S5). Posteriormente se presenta brevemente el modelo
dinámico del vehículo eléctrico para nalmente, establecer un modelo determínistico de la demanda. Cabe
anotar que el modelo planteado es solo una primera aproximación al uso de información ITS en los esquemas
V2G. Un modelo completo requiere un análisis estadístico el cual no es posible de realizar debido a que la
tecnología de vehículos eléctricos no se encuentra masicada y por tanto no se cuenta con datos que permitan
establecer la validez practica del modelo. Algunos acercamientos iniciales fueron presentados en [?] y [?]. El
modelamiento ITS es una línea continua de investigación, así que se espera en un futuro poder contar con mas
datos. En cualquier caso, los modelos de optimización que serán presentados en las capítulos subsiguientes, y
que constituyen el aporte de este proyecto, pueden ser alimentados con información de modelos más precisos
a medida que la investigación y los datos reales lo permitan.

3.3. La matriz origen destino

La matriz origen destino constituye la herramienta básica para los analisis de distribución de viajes. En
este modelo se asume que cada viaje individual tiene un punto de origen y destino denido. Esta información
es almacenada en una matriz mij . En la practica, no es posible obtener esta matriz de forma deterministica
por lo que se utiliza una matriz de ujos promedio la cual es suciente para algunas aplicaciones practicas.
Recientes investigaciones han demostrado la posibilidad de estimar en tiempo real esta matriz (ver por ejemplo
[Zhang et al., 2017]).
(t)
Denamos una matriz multidimencional o tensor mij , la cual relaciona el número de vehículos eléctricos
que van de la zona i a la zona j en el instante de tiempo t como se muestra en la gura 4. Esto genera un
grafo orientado en donde el ujo mij es en general diferente del ujo mji .

(t) 2
m12

(t) (t)
m21 m23
(t)
m32
1

(t) 3
m31

(t)
m13

Figura 4: Representación esquemática de la matriz origen-destino para tres zonas

(t)
De otro lado, denamos un factor de descarga ξij asociado con cada ruta. Este factor depende de la
topografía del terreno, la velocidad de circulación y la distancia. Si conocemos la carga inicial de cada VE
1 Mas información sobre modelos de transporte puede ser encontrada en [Punzo and Dilara, 2014]

9
entonces la el estado de carga del vehículo al llegar a su destino estará dado por
(tf ) (ti ) (t)
SOCj = SOCi + ξij (9)
en donde tf es el tiempo al nal de la ruta y ti es el tiempo al inicio de la ruta. Desde luego este modelo asume
conocidos parametros como velocidades y rutas. Esta información puede ser obtenida de forma estadística
(como un promedio) o bien mediante metodos de estimación en tiempo real.
Los nodos de la matriz origen destino deben estar asociados a los agregadores del sistema, de tal forma
que éstos puedan contar con información en tiempo real de los vehículos que arrivarán así como su respectivo
estado de carga. Mas detalles sobre como usar este modelo en el problema de V2G se pueden encontrar en
[Penagos and Zuluaga, 2018].

3.4. Modelo dinámico del vehiculo eléctrico

Deseamos establecer el valor de ξij para cada vehículo eléctrico o grupo de vehículos. Para ello, obtenemos
un modelo matemático simplicado de un vehículo mediante la segunda ley de Newton [Gao et al., 2007]:
0 = Fn + Ff + Fv − Ft + ma (10)
T
Ft = (11)
r
Fn = mgsin(θ) (12)
Ff = mg(C0 + C1 v) (13)
1
Fv = ρCd Af (v + v0 )2 (14)
2
J dv
ma = (m + 2 ) (15)
r dt
en donde Ft es la fuerza ejercida por el torque T sobre el radio de las llantas r (ver gura 5); Fn es la fuerza
normal que depende de la inclinación del terreno α, la masa del vehículo m y la constante de aceleración de
la gravedad g ; Ff es la fuerza de fricción del suelo que depende del rozamiento del vehículo con el suelo y la
velocidad v del vehículo la cual a su vez, contiene una parte estática C0 y una parte dinámica C1 ; Fv es la
fuerza de fricción del viento que depende de la densidad del aire ρ, el coeciente de fricción de la supercie
del vehículo con el aire Cd , el área frontal del vehículo Af , la velocidad del vehículo y de la velocidad del
viento v0 ; nalmente, J es la constante de inercia de las llantas.

Fv
Ff

Ft
α
Fn

mg

Figura 5: Detalle de las variables asociadas al modelo dinámico del vehículo eléctrico

Si se conocen los parametros del vehículo, se puede establecer la potencia instántanea y la energía consu-
mida a lo largo de todo el trayecto mediante la siguiente expresión
Z
∆Eij = Ft · v · dt (16)
Γij

10
en donde Γij es la trayectoria recorrida entre los nodos i, j . Cabe anotar que el modelo requiere no solo
las distancias y las velocidades, sino tambien información topográca que permita determinar el valor de
θ en cada punto de la trayectoria (esta información se puede obtener fácilmente con el estado actual de la
(t)
tecnología GPS). Finalmente, se puede obtener el valor de ξij considerando la eciencia η del sistema de
conversión (convertidores+máquina eléctrica), así:
(t)
ξij = η∆Eij (17)

En [Londono, 2018] se presentó una aproximación a esta metodología con un único vehículo eléctrico. Este
modelo se comprobó mediante simulaciones y usando un vehículo real. Los resultados son promisorios, aunque
el modelo presenta algunas debilidades prácticas, a saber: primero, los parametros de cada vehículo son muy
detallados y en algunos casos no estan disponibles. Segundo, las rutas y velocidades pueden cambiar, modi-
cando el resultado nal del modelo. Tercero, la carga computacional para analizar cada vehículo eléctrico
puede ser elevada.
Otro aspecto de este modelo fué estudiado en [Florez and Ramirez, 2018]. Allí se establecieron caracterís-
ticas dinámicas del vehiculo eléctrico demonstrando que se puede reformular como un sistema Hamiltoniano
controlado por puertos. Igualmente, se establecieron condiciones para la estabilidad de este tipo de sistemas
usando un control proporicional simple. Esta fase del estudio mostró un camino interesante para el análisis
dinámico del vehículo eléctrico.

3.5. Uso de los conceptos de ITS en la estrategia V2G

La gura 6 muestra la arquitectura básica del modelo propuesto, en donde el sistema ITS entrega infor-
mación sobre las rutas y las velocidades de traco. Esta información puede ser deterministica o estadistica.
En el primer caso se tendría medición y comunicación en tiempo real con cada vehículo mientras que en el
segundo caso se tendrian datos promedio de la matriz origen destino. La topografía del terreno tambien se
require como insumo adicional para determinar el valor de θ en cada punto de la ruta. Esta información es
ingresada al modelo dinámico del vehículo eléctrico con lo cual se obtiene el valor de ξ y por consiguiente el
estado de carga inicial en cada uno de los agregadores.

Topografía

Sistema de transporte Sistema eléctrico

θ

v ξ Opt.
ITS modelo del EV convexa

m
SOC
P

Figura 6: Estrategia propuesta para la integración de información ITS en la operación V2G

En la practica se tendrian dos centros de control: un centro de control ITS y un centro de control del
sistema eléctrico. Éstos se comunican entre si como se muestra en la gura 7. Cada VE le informa en tiempo
real al centro de control ITS su ubicación, estado de carga y ruta esperada. La ruta puede ser cambiada en
tiempo real debido a decisiones del conductor o a cambios recomendados por el sistema GPS+ITS. El centro
de control a su vez utiliza esta información en conjunto con las velocidades esperadas en cada etapa de la ruta
y la topoografía del terreno, para establecer el estado de carga y el tiempo tf en que el VE llegará al sitio de
parqueo. El centro de control tambien puede enviar información al VE sobre disponibilidad de conexión, de
forma que el conductor pueda cambiar de ruta o incluso reservar un espacio de parqueo+conexión a la red
eléctrica.

11
 Centro de Centro de Control
Control ITS Sistema Eléctrico

Destino 1 (tf )
Agregador 1

Agregador 2
Origen (ti )

Destino 2 (tf )

Figura 7: Esquema de información bidireccional entre los VE y el centro de control de transporte

Hay un aspecto social que vale la pena mencionar: si bien desde el punto de vista técnico es deseable obtener
información de la ruta en tiempo real, desde el punto de vista práctico pueden aparecer limitantes relacionadas
con el uso de la información. Los usuarios pueden no estar dispuestos a compartir esta información con el
centro de control. Es por ello que este tipo de esquema sería mas adecuado para vehículos de servicio publico
(buses,taxis, uber, etc) o bien para vehículos de carga. En caso de que no se pueda obtener una información
detallada de cada vehículo se puede proceder a obtener valores promedio mediante uso de la matriz origen
destino. En ese caso se utiliza el mismo modelo solo que en un grupo de vehículos. De esta forma se puede
tener un estimado del número de vehículos y estado de carga esperado en cada agregador.

4. Estrategia V2G usando optimización convexa

4.1. Modelo en cada agragador

ventana de optimización

VE 1: con V2G bidireccional

VE 4: con V2G bidireccional
VE 2: con V2G unidireccional
VE 3: carga prioritaria VE 5: con V2G unidireccional

Figura 8: Ventana de optimización para cada agregador en la estrategia propuesta V2G

Cada agregador administra en tiempo real, la carga y descarga de los vehículos eléctricos de acuerdo a las
ordenes suministradas por el centro de control [Shae-khah et al., 2015]. Para ello dispone de una ventana
de tiempo y una predicción de la demanda de carga como se muestra en la gura 8. Los vehículos eléctricos
pueden establecer tres tipos de contratos a saber:

Carga prioritaria: En este caso, el VE está dispuesto a pagar un precio superior al precio de la energía
con el n de obtener prioridad en la carga. Una vez cargada la bateria esta no puede entregar potencia
a la red.

V2G unidireccional: En este caso, el agregador puede retrazar el inicio de carga del VE con el n de
optimizar la operación del sistema eléctrico. El precio de la energía es el costo de comercialización y
distribución.

12
V2G bidireccional: En este caso, el agregador puede solicitar que el VE entregue potencia a la red en
algunos instantes de tiempo. El VE puede recibir compensación económica en estos casos.

Un vehiculo eléctrico puede suscribir varios contratos, por ejemplo, puede establecer que de 0 a 50 % de su
estado de carga (SoC) es carga prioritaria mientras que de 50 % a 100 % es una carga con V2G unidireccional.

carga prioritaria
SoC Sf SoC
V2G
Sf

t t

Figura 9: Esquema de carga mediante carga prioritaria y estrategia V2G

Las cargas prioritarias entran directamente en la curva de carga ya que no se puede establecer ningún
control sobre ellas. En estas cargas, el estado de carga nal Sf se alcanza de la forma más rápida posible
como se muestra en la gura 9a. El vehículo se desconecta una vez Sf alcanza el estado. Las cargas V2G
(unidireccionales o bidirecionales) son administradas por medio del agregador, el cual soluciona un modelo
optimización convexa dentro del rectangulo mostrado en la gura 9b. La diferencia entre V2G unidireccional
y bidireccional es que en el primer caso se establece una restricción adicional sobre la potencia de la forma
Pkt ≥ 0, es decir, que la función de carga resultante debe ser monotonamente creciente.
Modelo 1 (Gestion de cada agregador). El modelo de optimización en cada agregador el siguiente:
minimizar f (P, E, S) (18)
sujeto a
Ekt = γk · Skt (19)
Ekt+1 = Ekt + ∆T · Pkt (20)
(min) (max)
Skt ≤ Skt ≤ Skt (21)
(min) (max)
Pk ≤ Pkt ≤ Pk (22)
X
Pkt ≤ PT (23)
k

en donde Ekt es la energía total suministrada al vehiculo k en el instante t, S es el estado de carga y P es

la potencia suministrada o consumida.
Este modelo es claramente lineal por lo que puede ser solucionado en tiempo real mediante algoritmos
convencionales como el simplex o el punto interior.

4.2. Modelamiento de la red de distribución

El Modelo 1 puede ser utilizado como herramienta de optimización local en cada agregador. Sin embargo,
nuestro mayor interes está en la optimización de la red de distribución para lo cual necesitamos un adecuado
modelo. Conisderemos un sistema de distribución, radial o o en malla, representado por grafo orientado
G = {N , E} en donde N = {0, 1, . . . n} es el conjunto de nodos y E ∈ N × N son los enlaces (líneas de
distribucicón y transformadores). Por facilidad, vamos a asumir un equivalente monofásico con cargas de
potencia constante, aúnque la aplicación puede ser extendida a sistemas desbalanceados con modelos ZIP.
Denotamos v0 , i0 al voltaje y la corriente en el nodo slack (subestación) en donde v0 = 1 y vS , iS a los
demás nodos del sistema con S = {1, 2, . . . k, . . . n}. Las relaciones voltaje/corriente las podemos representar
mediante la matriz de admitancias
     
i0 g00 + jb00 g0S + jb0S v0
= · (24)
iS gS0 + jbS0 gSS + jbSS vS

13
esta relación afín está denida sobre los numeros complejos por lo que vS = eS + jfS . De otro lado, las
corrientes en cada uno de los nodos k ∈ S estan relacionadas con las potencias nodales como sigue

sk = pk + jqk = vk i∗k (25)

esta ecuación genera un espacio no convexo que será la principal complicante del problema, el cual consiste en
minimizar una función cuadrática f (x), usualmente las pérdidas de potencia activa, sujeto a las restricciones
(24) y (25). El problema resultante es evidentemente no-convexo y por tanto no podriamos usar el paradigma
de optimización convexa. Sin embargo, podemos generar una aproximación semidenida que nos permite
acercarnos al problema.

4.3. Aproximación semidenida

Antes de formular la aproximación semidenida debemos reescribir el modelo para trabajar sobre el
conjunto de los reales, para ello, reemplazamos (25) en (24) y expandimos cada termino de la relación
matricial
n
X
pk − jqk = (ek − jfk )(gkm + jbkm )(em + jfm ) (26)
m=0
Xn
pk = gkm ek em + bkm fk fm − bkm fm ek + bkm em fk (27)
m=0
Xn
qk = gkm fk em − bkm em ek + gkm em fk − bkm fm fk (28)
m=0

denimos nuevas variables como sigue

xkm = ek em (29)
ykm = fk fm (30)
zkm = ek fm − em fk (31)

por lo que el modelo completo de ujo de carga se puede reescribir de la siguiente forma

Modelo 2 (Modelo de optimización semidenida).

Minimizar T r(PG ) (32)
PG − PD = GX + GY + BZ (33)
QG − QD = GZ − BX + BY (34)
0 = Z + ZT (35)
x00 = 1 (36)
y0k = yk0 = 0 (37)
PG ≤ Pmax (38)
PG ≥ Pmin (39)
QG ≤ Qmax (40)
QG ≥ Qmin (41)
X0 (42)
Y 0 (43)
rank(X) = 1 (44)
rank(Y ) = 1 (45)

14
 en donde las demandas nodales son dadas PD = diag(p), QD = diag(q). Este modelo se puede a su
vez convexicar relajando las restricciones de tipo rank = 1 las cuales son no convexas. El resultado es un
problema de optimización semidenido.
Las variables originales pueden ser recuperadas teniendo en cuenta que cada matriz X se puede factorizar
de la siguiente forma
n
1/2
X
X= λi Mi MiT (46)
i=0

en donde λi son los eigenvalores y Mi son los eigenvectores. La matriz de rango 1 que más se aproxima a X
1/2
estará dada entonces por X ≈ λ0 M0 M0T en donde λ0 es el máximo eigenvalor (el cual es positivo porque
la matriz es semidenida).
Mas información sobre el uso de esta metodología se puede encontrar en [Quinatoa, 2018].

4.4. Modelo de optimización cónica de segundo orden

Es posible obtener una aproximación cónica de segundo orden al problema de ujo de carga en sistemas
de distribución. Para ello formulamos el problema en términos de las tensiones nodales:
X
pk − jqk = yk0 v0 vk∗ + ykm vm vk∗ (47)
m

en donde pk , qk son las potencias nodales, vk es la tensión y ykm son terminos de la matriz YBU S . El nodo
slack (subestación) se asume con tensión v0 . Denimos una nueva variable compleja wkm = vm vk∗ generando
una restricción afín mas una restricción no-lineal/no-convexa:
X
pk − jqk = yk0 v0 vk∗ + ykm wkm (48)
m
wkm = vm vk∗ (49)

premultiplicamos la restricción no convexa por wkm

∗
como sigue

wkm = vm vk∗ (50)

∗
wkm wkm = vm vk∗ vm
∗
vk (51)
2
kwkm k = wkk wmm (52)

ahora relajamos la restricción para obtener un equivalente SOC

2
kwkm k ≤ wkk wmm (53)
 
2wkm
(54)

wkk − wmm ≤ wkk + wmm

Mas detalles sobre la implementación de este modelo pueden encontrarse en [Valencia, 2018]

5. Etapa adicional sobre micro-redes en DC y vehiculos eléctricos

Durante el desarrollo del proyecto resultó clara la necesidad de analizar sistemas de distribución en dc
debido a que los vehículos eléctricos son intrinsicamente en dc. De hecho, cada vehículo eléctrico requiere de
una etapa adicional de conversión DC/AC como se muestra en la gura 10 y por tanto una red DC genera
ventajas en cuanto eciencia y densidad de potencia de los componentes.
Un vehiculo en DC puede por tanto integrarse en una micro-red como la que se muestra en la gura 11
en donde otros componentes son igualmente integrados en DC. Este tipo de redes resultan ser mas ecientes
que su contra-parte en AC al no requerir ujo de potencia reactiva y su operación es mucho mas simple ya
que no se requiere un control de frecuencia. No obstante, las micro-redes en DC constituyen un cambio de

15
 a)
dc dc
dc ac ac grid

Battery

b)
dc
dc dc microgrid

Battery

Figura 10: Integración de vehículos eléctricos a la red de distribución a) sistema de distribución AC b) Micro-red DC

paradigma en la operación de las redes de distribución y por tanto se hizo necesario el desarrollo de teorias
básicas como ujo de carga y análisis de estabilidad antes de incorporar el concepto de V2G.
En cuanto al ujo de carga, se analizaron dos tipos de metodologías: iteración de punto jo y método
de Newton. En el primer caso, se utilizó el teorema de punto jo de Banach con el objetivo de establecer
condiciones para la convergencia del ujo de carga. El resultado principal es un algoritmo con convergencia
lineal asegurada el cual fue presentado en [Garces, 2017]. En el segundo caso, se utilizó el método de Newton en
donde se garantizó convergencia cuadrática bajo las condiciones del teorema de Kantarovich [Garces, 2018a].
La utilización de estos modelos en los esquemas V2G se dejó para futuros trabajos de investigación.

6. Conclusiones

En este proyecto de investigación se propuso un esquema de operación óptima en sistemas V2G basado
en optimización convexa. Inicialmente se estudió el modelo dinámico de los vehículos eléctricos el cual se
integró con la información de la matriz origen destino del sistema de transporte, con el objetivo de estimar la
demanda futura en diferentes subestaciones del sistema de Pereira. Posteriormente, se propuso un modelo de
optimización para la operación óptima de sistemas de distribución considerando vehículos eléctricos. En esta
etapa se usaron sistemas de prueba de la literatura especializada y se propusieron dos aproximaciones conve-
xas a las ecuaciones no-anes, a saber: optimización semidenida y optimización conica de segundo orden. El
primer modelo mostró ser preciso aunque el tiempo computacional es elevado para aplicaciones practicas. El
segundo modelo suele encontrar soluciones en tiempos computacionales razonables. Como conclusión funda-
mental de esta etapa se obtuvieron aproximaciones convexas al problema de optimización de la operación en
sistemas de que demostraron ser precisas garantizando un óptimo global. Dado que los modelos son convexos
se puede garantizar convergencia en tiempo real (especialmente en el caso de optimización cónica de segundo
orden) y por tanto los resultados pueden ser aplicables.
En una etapa adicional, se estudió la posibilidad de integrar vehiculos eléctricos por medio de redes en EC.
En esta etapa se inició por el análisis básico de ujos de carga y de estabilidad del sistema. Tanto el método
de Gauss como el método de Newton demostraron convergencia bajo condiciones prácticas. En cuanto al
análisis de estabilidad quedan muchos problemas que requieren un estudio más detallado.

6.1. Futuros trabajos

Se proponen futuros trabajos de investigación en varios frentes. Desde el punto de vista del esquema V2G
se hace necesario incluir la estocasticidad intrinsica del modelo, ya que tanto el sistema de transporte como
el sistema eléctrico presentan alta variabilidad. Desde el punto de vista del sistema de transporte se requiere

16
 AC Grid

Energy
storage

Small generation

DC DC AC
DC DC DC

Electric Home Appliances

vehicles
DC

DC

Figura 11: Diagrama unilar de una micro-red DC

un modelo probabilistico de la matriz origen destino el cual alimente al sistema de gestión V2G. De otro lado,
el sistema eléctrico debe incluir la estocasticidad de las fuentes renovables de energía así como la llegada y
salida de los vehiculos eléctricos. Para ello se requiere usar técnicas de optimización convexa estocástica las
cuales son el objeto de un segundo proyecto de investigación propuesto.
En cuanto al análisis de redes en DC surge una linea de investigación que incluye terminar el analisis de
estabilidad transitoria así como el desarrollo de un modelo de optimización que termine no solo en la inclusión
de esquemas V2G sinó tambien gestión de la demanda e integración de fuentes renovables de energía.
Finalmente, se presenta una oportunidad de investigación en cuanto al modelo dinámico del vehículo
eléctrico teniendo en cuenta los elementos internos y la gestión óptima de la batería.

Referencias

[Bessa and Matos, 2013] Bessa, R. J. and Matos, M. A. (2013). Optimization models for ev aggregator
participation in a manual reserve market. IEEE Transactions on Power Systems, 28(3):30853095.

[Bolanos, 2018] Bolanos, B.-A. (2018). Control no lineal de un supercapacitor para el control de potencia
activa y reactiva en micro-redes. Trabajo de investigación formativa. Programa de Ingeniería Eléctrica,
Universidad Tecnológica de Pereira.

[Boyd and Vanderghe, 2004] Boyd, S. and Vanderghe, L. (2004). Convex Optimization. Cambridge, Stand-
ford University.

[Etherden et al., 2016] Etherden, N., Vyatkin, V., and Bollen, M. H. J. (2016). Virtual power plant for grid
services using iec 61850. IEEE Transactions on Industrial Informatics, 12(1):437447.

[Florez and Ramirez, 2018] Florez, J.-M. and Ramirez, D.-A. (2018). Control no lineal de velocidad en un
vehículo eléctrico autónomo. Trabajo de investigación formativa. Programa de Ingeniería Eléctrica, Uni-
versidad Tecnológica de Pereira.

[Gao et al., 2007] Gao, D. W., Mi, C., and Emadi, A. (2007). Modeling and simulation of electric and hybrid
vehicles. Proceedings of the IEEE, 95(4):729745.

[Garces, 2016] Garces, A. (2016). A quadratic approximation for the optimal power ow in power distribution
systems. Electric Power Systems Research, 130:222  229.

17
[Garces, 2017] Garces, A. (2017). Uniqueness of the power ow solutions in low voltage direct current grids.
Electric Power Systems Research, 151:149  153.
[Garces, 2018a] Garces, A. (2018a). On the convergence of newton's method in power ow studies for dc
microgrids. IEEE Transactions on Power Systems, 33(5):57705777.
[Garces, 2018b] Garces, A. (2018b). Small-signal stability analysis of dc microgrids considering electric vehi-
cles. Revista de Ingenieria Universidad de Antioquia, 1.
[Garces and Gutierrez, 2018] Garces, A. and Gutierrez, A. (2018). Ieee green technologies conference. IEEE-
Andescon-2018-Cali, Austin-Texas.
[Garces et al., 2018] Garces, A., Montoya, O.-D., and Gil, W.-J. (2018). Wirtinger's calculus for the load
ow in power distribution grids. IEEE-Andescon-2018-Cali, 2018(1).
[Lin et al., 2014] Lin, J., Leung, K. C., and Li, V. O. K. (2014). Optimal scheduling with vehicle-to-grid
regulation service. IEEE Internet of Things Journal, 1(6):556569.
[Liu et al., 2013] Liu, C., Chau, K. T., Wu, D., and Gao, S. (2013). Opportunities and challenges of vehicle-
to-home, vehicle-to-vehicle, and vehicle-to-grid technologies. Proceedings of the IEEE, 101(11):24092427.
[Londono, 2018] Londono, V. (2018). Caracterizacón de vehículos eléctricos en el contexto de la ciudad de
Pereira. Trabajo de investigación formativa. Programa de Ingeniería Eléctrica, Universidad Tecnológica
de Pereira.
[Lopes et al., 2013] Lopes, J. A. P., Madureira, A. G., and Moreira, C. C. L. M. (2013). A view of microgrids.
Wiley Interdisciplinary Reviews: Energy and Environment, 2(1):86103.
[Paul et al., 2017] Paul, A., Chilamkurti, N., Daniel, A., and Rho, S. (2017). Chapter 2 - intelligent trans-
portation systems. In Paul, A., Chilamkurti, N., Daniel, A., and Rho, S., editors, Intelligent Vehicular
Networks and Communications, pages 21  41. Elsevier.
[Penagos and Zuluaga, 2018] Penagos, A.-V. and Zuluaga, D. (2018). Implementación de un sistema de si-
mulación para la estimación del impacto de los vehículos eléctricos sobre el sistema eléctrico de la ciudad de
Pereira. Trabajo de investigación formativa. Programa de Ingeniería de Sistemas, Universidad Tecnológica
de Pereira.
[Punzo and Dilara, 2014] Punzo, V. and Dilara, P. (2014). Transport and trac models for studying electric
mobility. JRC Science and Policy Reports, European Commision.
[Quinatoa, 2018] Quinatoa, C. (2018). Desarrollo de una metodologia V2G bidirecional en redes inteligentes
usando optimización convexa. Trabajo de grado. Maestría en Ingeniería Eléctrica, Universidad Tecnológica
de Pereira.
[Quinatoa et al., 2018] Quinatoa, C., Valencia, I., Casilimas, A., and Garces, A. (2018). A convex optimiza-
tion model for bidirectional vehicle-to-grid operation. IEEE-Andescon-2018-Cali, 2018(1).
[Shae-khah et al., 2015] Shae-khah, M., Moghaddam, M., Sheikh-El-Eslami, M., and Catalão, J. (2015).
Optimised performance of a plug-in electric vehicle aggregator in energy and reserve markets. Energy
Conversion and Management, 97:393  408.
[Tan et al., 2016] Tan, K. M., Ramachandaramurthy, V. K., and Yong, J. Y. (2016). Integration of electric
vehicles in smart grid: A review on vehicle to grid technologies and optimization techniques. Renewable
and Sustainable Energy Reviews, 53:720  732.
[Trans Res Board, 2000] Trans Res Board (2000). Highway Capacity Manual. Transportation Research
Board, National Research Council, Washington, D.C.
[Tuballa and Abundo, 2016] Tuballa, M. L. and Abundo, M. L. (2016). A review of the development of smart
grid technologies. Renewable and Sustainable Energy Reviews, 59:710  725.

18
[UPME-BID, 2016] UPME-BID (2016). Estudio: Smart Grids Colombia Visión 2030 - Mapa de ruta para
la implementación de redes inteligentes en Colombia. Estudio auspiciado por el Banco Iteramericano de
Desarrollo para la Unidad de Planeamiento Minero Energérico, Bogotá, 1 edition.

[Valencia, 2018] Valencia, I. (2018). Optimal Operation of Multiple Microgrids and Distributed Resources
Under the Concept Of Virtual Power Plant Using Convex Optimization. Trabajo de grado. Maestría en
Ingeniería Eléctrica, Universidad Tecnológica de Pereira.

[Wu et al., 2012] Wu, J., Qi, G., and Du, Y. (2012). A high performance trac ow forecasting and ma-
nagement method: Trac simulation platform. In 2012 7th International Conference on Computing and
Convergence Technology (ICCCT), pages 443449.
[Yilmaz and Krein, 2013] Yilmaz, M. and Krein, P. T. (2013). Review of the impact of vehicle-to-grid techno-
logies on distribution systems and utility interfaces. IEEE Transactions on Power Electronics, 28(12):5673
5689.

[Zhang et al., 2017] Zhang, J., Shen, D., Tu, L., Zhang, F., Xu, C., Wang, Y., Tian, C., Li, X., Huang, B.,
and Li, Z. (2017). A real-time passenger ow estimation and prediction method for urban bus transit
systems. IEEE Transactions on Intelligent Transportation Systems, 18(11):31683178.

19